支持向量机是Vapnik及其研究小组提出的一种全新的模式识别技术。在使用结构风险最小化原则替代经验风险最小化原则的基础上,支持向量机综合了统计学习、机器学习和神经网络等方面的技术,并被证明可在最小化结构风险的同时,有效地提高算法的推广能力。由于其完备的理论基础和良好的实验结果,支持向量机日渐引起研究人员的重视。但是,尽管具有以上优点,支持向量机在实践应用中仍不同程度地存在一些缺陷,例如:结构风险的界非常宽松、在学习中对数据集缺乏自适应性、对噪声数据过于敏感等。在对支持向量机模型予以改进的方面,本论文针对这三个问题做了如下研究:针对支持向量机的结构风险的界非常宽松的问题,本论文提出了基于支持向量机的分段线性学习模型。该模型不仅能够在不需要引入核变换的情况下,在遵循结构风险最小化原则的基础上,直接对分段线性可分的数据集进行有效学习;而且能够对只能用高度非线性函数才能正确分类的数据集,在降低学习机器的结构复杂度的情况下,实现对数据集的有效学习。针对支持向量机在学习中对数据集缺乏自适应性的问题,本论文提出了基于正反馈的支持向量机模型。该模型先用当前常用的支持向量机模型L1-SVM进行第一次训练。然后,利用由第一次训练得的到支持向量之间的距离信息,对样本在第二次训练过程中的核函数参数进行自适应调整,得到基于正反馈的支持向量机。该支持向量机对数据集具有一定的自适应性,实验表明,该支持向量机对具有多种分布特点的数据集具有良好的推广性能。针对支持向量机对噪声数据过于敏感的问题,本论文提出了基于边界调节的支持向量机模型。该模型提出了一种根据样本在训练过程中形成的经验误差的大小,对样本给予不同对待的方法,控制了噪声数据对训练过程的影响,从而使支持向量机对噪声数据具有比较好的鲁棒性。当前,图像处理技术几乎渗透到人类所有的活动领域中,特别在自动控制、信息通讯、无损检测、资源勘测、医学诊断、生物工程等领域更是得到的极为广泛的应用和发展。在当前的图像处理系统中,常常以图像分割为基础。对于一个图像处理系统而言,图像分割性能的好坏往往直接决定该系统的图像处理性能。对于在实际应用和科学研究中常常面对的复杂图像而言,目前还没有通用有效的<WP=6>分割方法。所采用的图像分割方法,在很大程度上依赖于图像的特征、人的经验和图像分割的目的。由于所开发出来的图像分割系统强烈地依赖于图像的特征,因此一个图像分割系统的使用范围也非常有限。在本论文的应用研究部分,根据公路建设和工程建筑的需要,研制开发出了两个土石混合料图像的图像分割系统。主要包括以下研究工作:结合土石混合料图像的具体特征,提出了基于相对统计特征的种子自动提取方法,并采用现有的模糊区域生长方法,建立了一个能够对土石混合料图像给予比较有效分割的图像分割系统,该系统是用VC++完成的。对本论文而言,这部分的研究工作也是本论文的另一个研究内容,即,基于支持向量机的图像分割系统的基础。首次将支持向量机引入到对复杂图像的分割系统中。对在复杂图像的分割系统中引入统计学习方法的必要性和采用支持向量机对复杂图像进行分割的可行性和优越性等给予了比较详细的分析。对支持向量机在图像分割中所面临的关键问题给予了详细的分析并给出了具体的解决方法。在此基础上,建立了一个用VC++编写的图像分割系统。实验结果表明,在样本、样本特征等适当选择的基础上,支持向量机能够实现对复杂图像的有效分割,在一定程度上克服了传统分割方法在特征选择和阈值确定方面的问题。该论文中最突出和最值得关注的成果包括以下两方面:基于正反馈的支持向量机。一方面作者在该研究中,提出了相对于其他统计学习模型而言,更能够描述有些数据集的本质的一种支持向量机,并给予了其理论的正确性证明和分析;另一方面,更重要的是提出了一种全新的构造支持向量机的思维方式,从而为支持向量机在模型方面的发展开拓了十分广阔的空间。基于支持向量机的图像分割。作者不仅是首先将支持向量机引入到复杂图像的分割系统中,并且比较全面和深入地分析了支持向量机在图像分割中所面临的关键问题,也创新性地提出了一些实际的解决方法。从而为从事基于支持向量机的图像分割的后继研究打下了一定的基础。当然,这两方面的研究工作都还需要做大量的深入研究,以盼在这两个领域得到极大的发展,从而使支持向量机本身及其应用变得更加富。